Edit model card

sage-m2m100-1.2B model

banner

Summary

The model corrects spelling errors and typos by bringing all the words in the text to the norm of the Russian language. Corrector was trained based on the model M2M100-1.2B. An extensive dataset with “artificial” errors was taken as a training corpus: the corpus was assembled on the basis of the Russian-language Wikipedia and transcripts of Russian-language videos, then typos and spelling errors were automatically introduced into it using the library SAGE. The model is the fine-tuned version of the pre-train.

Public references

Examples

Input Output
Думю ешцъа лет череа 10 ретроспективно просматривотьэ то будкетцц мне невероя тна ин те р но Думаю что лет через 10 ретроспективно просматривать это будет мне невероятно интересно
Основая цель мероприятия - практическая отработка навыков по оказанию помощи гражданам, попавшим в ДТП, а также повышение и совершенствование уровня профессиональной подготовки сотрудников МЧС при проведении аварийно-спасательных работ по ликвидации последствий дорожно-транспортных проишествий, сокращение временных показателей реагирования. Основная цель мероприятия - практическая отработка навыков по оказанию помощи гражданам, попавшим в ДТП, а также повышение и совершенствование уровня профессиональной подготовки сотрудников МЧС при проведении аварийно-спасательных работ по ликвидации последствий дорожно-транспортных происшествий, сокращение временных показателей реагирования.
прийдя в МГТУ я был удивлен никого необноружив там… придя в МГТУ я был удивлен никого не обнаружив там

Metrics

Quality

Below are automatic metrics for determining the correctness of the spell checkers. We compare our solution with both open automatic spell checkers and the ChatGPT family of models on all four available datasets:

  • RUSpellRU: texts collected from (LiveJournal), with manually corrected typos and errors;
  • MultidomainGold: examples from 7 text sources, including the open web, news, social media, reviews, subtitles, policy documents and literary works;
  • MedSpellChecker: texts with errors from medical anamnesis;
  • GitHubTypoCorpusRu: spelling errors and typos in commits from GitHub;

RUSpellRU

Model Precision Recall F1
sage-m2m100-1.2B 88.8 71.5 79.2
sage-ai-service 93.5 82.4 87.6
gpt-3.5-turbo 39.6 62.3 48.5
gpt-4 69.5 81.0 74.8
Yandex.Speller 83.0 59.8 69.5
JamSpell 42.1 32.8 36.9
HunSpell 31.3 34.9 33.0

MultidomainGold

Model Precision Recall F1
sage-m2m100-1.2B 63.8 61.1 62.4
sage-ai-service 70.9 68.8 69.9
gpt-3.5-turbo 17.8 56.1 27.0
gpt-4 31.1 78.1 44.5
Yandex.Speller 52.9 51.4 52.2
JamSpell 25.7 30.6 28.0
HunSpell 16.2 40.1 23.0

MedSpellChecker

Model Precision Recall F1
sage-m2m100-1.2B 78.8 71.4 74.9
sage-ai-service 73.4 76.2 74.9
gpt-3.5-turbo 15.1 53.6 23.5
gpt-4 48.9 88.7 63.1
Yandex.Speller 80.6 47.8 60.0
JamSpell 24.6 29.7 26.9
HunSpell 10.3 40.2 16.4

GitHubTypoCorpusRu

Model Precision Recall F1
sage-m2m100-1.2B 47.1 42.9 44.9
sage-ai-service 76.1 51.2 61.2
gpt-3.5-turbo 23.7 43.9 30.8
gpt-4 34.7 60.5 44.1
Yandex.Speller 67.7 37.5 48.3
JamSpell 49.5 29.9 37.3
HunSpell 28.5 30.7 29.6

How to use

from transformers import M2M100ForConditionalGeneration, M2M100Tokenizer

path_to_model = "ai-forever/sage-m2m100-1.2B"
model = M2M100ForConditionalGeneration.from_pretrained(path_to_model)
tokenizer = M2M100Tokenizer.from_pretrained(path_to_model, src_lang="ru", tgt_lang="ru")

sentence = "прийдя в МГТУ я был удивлен никого необноружив там…"
encodings = tokenizer(sentence, return_tensors="pt")
generated_tokens = model.generate(
        **encodings, forced_bos_token_id=tokenizer.get_lang_id("ru"))
answer = tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)

print(answer)
#["прийдя в МГТУ я был удивлен никого не обнаружив там..."]

Resources

License

Model M2M100-1.2B, on the basis of which our solution is made, and its source code are supplied under the MIT open license. Our solution also comes with MIT license.

Specifications

  • File size: 5 Gb;
  • Framework: pytorch
  • Format: AI Service
  • Version: v2.0
  • Developer: SberDevices, AGI NLP

Contacts

nikita.martynov.98@list.ru

Downloads last month
1,821
Safetensors
Model size
1.12B params
Tensor type
F32
·
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Dataset used to train ai-forever/sage-m2m100-1.2B

Collection including ai-forever/sage-m2m100-1.2B

Evaluation results